01 智能人機(jī)交互領(lǐng)域的介紹

1.1 行業(yè)分類及目前的應(yīng)用狀況

在全球人工智能領(lǐng)域不斷發(fā)展的今天，包括Google、Facebook、Microsoft、Amazon、Apple等互聯(lián)公司相繼推出了自己的智能私人助理和機(jī)器人平臺(tái)。

智能人機(jī)交互通過擬人化的交互體驗(yàn)逐步在智能客服、任務(wù)助理、智能家居、智能硬件、互動(dòng)聊天等領(lǐng)域發(fā)揮巨大的作用和價(jià)值。因此，各大公司都將智能聊天機(jī)器人作為未來的入口級(jí)別的應(yīng)用在對(duì)待。今天隨著市場(chǎng)的進(jìn)一步發(fā)展，聊天機(jī)器人按照產(chǎn)品和服務(wù)的類型主要可分為：客服，娛樂，助理，教育，服務(wù)等類型。

圖1截取了部分聊天機(jī)器人。

圖1：一些chat-bot的匯總

1.2 阿里小蜜在電商領(lǐng)域的狀況

2015年7月，阿里推出了自己的智能私人助理-阿里小蜜，一個(gè)圍繞著電子商務(wù)領(lǐng)域中的服務(wù)、導(dǎo)購(gòu)以及任務(wù)助理為核心的智能人機(jī)交互產(chǎn)品。通過電子商務(wù)領(lǐng)域與智能人機(jī)交互領(lǐng)域的結(jié)合，帶來傳統(tǒng)服務(wù)行業(yè)模式的變化與體驗(yàn)的提升。

在去年的雙十一期間，阿里小蜜整體智能服務(wù)量達(dá)到643萬，其中智能解決率達(dá)到95%，智能服務(wù)在整個(gè)服務(wù)量(總服務(wù)量=智能服務(wù)量+在線人工服務(wù)量+電話服務(wù)量)占比也達(dá)到95%，成為了雙十一期間服務(wù)的絕對(duì)主力。

02 電商領(lǐng)域下阿里小蜜的技術(shù)實(shí)踐

2.1 阿里小蜜技術(shù)的overview

智能人機(jī)交互系統(tǒng)，俗稱：chatbot系統(tǒng)或者bot系統(tǒng)。圖2是人機(jī)交互的流程圖：

圖2：人機(jī)交互的流程

核心是NLU(自然語言理解)，通過對(duì)話系統(tǒng)處理后，最后通過自然語言生成的方式給出答案。一段語言如何理解對(duì)于計(jì)算機(jī)來說是非常有難度的，例如：“蘋果”這個(gè)詞就具備至少兩個(gè)含義，一個(gè)是水果屬性的“蘋果”，還有一個(gè)是知名互聯(lián)網(wǎng)公司屬性的“蘋果”。

2.1.1 意圖與匹配分層的技術(shù)架構(gòu)體系

在阿里小蜜這樣在電子商務(wù)領(lǐng)域的場(chǎng)景中，對(duì)接的有客服、助理、聊天幾大類的機(jī)器人。這些機(jī)器人，由于本身的目標(biāo)不同，就導(dǎo)致不能用同一套技術(shù)框架來解決。因此，我們先采用分領(lǐng)域分層分場(chǎng)景的方式進(jìn)行架構(gòu)抽象，然后再根據(jù)不同的分層和分場(chǎng)景采用不同的機(jī)器學(xué)習(xí)方法進(jìn)行技術(shù)設(shè)計(jì)。首先我們將對(duì)話系統(tǒng)從分成兩層：

1、意圖識(shí)別層：識(shí)別語言的真實(shí)意圖，將意圖進(jìn)行分類并進(jìn)行意圖屬性抽取。意圖決定了后續(xù)的領(lǐng)域識(shí)別流程，因此意圖層是一個(gè)結(jié)合上下文數(shù)據(jù)模型與領(lǐng)域數(shù)據(jù)模型不斷對(duì)意圖進(jìn)行明確和推理的過程；

2、問答匹配層：對(duì)問題進(jìn)行匹配識(shí)別及生成答案的過程。在阿里小蜜的對(duì)話體系中我們按照業(yè)務(wù)場(chǎng)景進(jìn)行了3種典型問題類型的劃分，并且依據(jù)3種類型會(huì)采用不同的匹配流程和方法：

問答型：例如“密碼忘記怎么辦？”→ 采用基于知識(shí)圖譜構(gòu)建+檢索模型匹配方式

任務(wù)型：例如“我想訂一張明天從杭州到北京的機(jī)票”→ 意圖決策+slots filling的匹配以及基于深度強(qiáng)化學(xué)習(xí)的方式

語聊型：例如“我心情不好”→ 檢索模型與Deep Learning相結(jié)合的方式

圖3表示了阿里小蜜的意圖和匹配分層的技術(shù)架構(gòu)。

圖3：基于意圖于匹配分層的技術(shù)架構(gòu)

2.1.2 意圖識(shí)別介紹：結(jié)合用戶行為deep-learning模型的實(shí)踐

通常將意圖識(shí)別抽象成機(jī)器學(xué)習(xí)中的分類問題，在阿里小蜜的技術(shù)方案中除了傳統(tǒng)的文本特征之外，考慮到本身在對(duì)話領(lǐng)域中存在語義意圖不完整的情況，我們也加入了用實(shí)時(shí)、離線用戶本身的行為及用戶本身相關(guān)的特征，通過深度學(xué)習(xí)方案構(gòu)建模型，對(duì)用戶意圖進(jìn)行預(yù)測(cè), 具體如圖4：

圖4：結(jié)合用戶行為的深度學(xué)習(xí)意圖分類

在基于深度學(xué)習(xí)的分類預(yù)測(cè)模型上，我們有兩種具體的選型方案：一種是多分類模型，一種是二分類模型。多分類模型的優(yōu)點(diǎn)是性能快，但是對(duì)于需要擴(kuò)展分類領(lǐng)域是整個(gè)模型需要重新訓(xùn)練；而二分類模型的優(yōu)點(diǎn)就是擴(kuò)展領(lǐng)域場(chǎng)景時(shí)原來的模型都可以復(fù)用，可以平臺(tái)進(jìn)行擴(kuò)展，缺點(diǎn)也很明顯需要不斷的進(jìn)行二分，整體的性能上不如多分類好，因此在具體的場(chǎng)景和數(shù)據(jù)量上可以做不同的選型。

小蜜用DL做意圖分類的整體技術(shù)思路是將行為因子與文本特征分別進(jìn)行Embedding處理，通過向量疊加之后再進(jìn)行多分類或者二分類處理。這里的文本特征維度可以選擇通過傳統(tǒng)的bag of words的方法，也可使用Deep Learning的方法進(jìn)行向量化。具體圖：

圖5：結(jié)合用戶行為的深度學(xué)習(xí)意圖分類的網(wǎng)絡(luò)結(jié)構(gòu)

2.1.3 匹配模型的overview：介紹行業(yè)3大匹配模型

目前主流的智能匹配技術(shù)分為如下3種方法：

1、基于模板匹配(Rule-Based)

2、基于檢索模型(Retrieval Model)

3、基于深度學(xué)習(xí)模型(Deep Learning)

在阿里小蜜的技術(shù)場(chǎng)景下，我們采用了基于模板匹配，檢索模型以及深度學(xué)習(xí)模型為基礎(chǔ)的方法原型來進(jìn)行分場(chǎng)景(問答型、任務(wù)型、語聊型)的會(huì)話系統(tǒng)構(gòu)建。

2.2 阿里小蜜的3大領(lǐng)域場(chǎng)景的技術(shù)實(shí)踐

2.2.1 智能導(dǎo)購(gòu)：基于增強(qiáng)學(xué)習(xí)的智能導(dǎo)購(gòu)

智能導(dǎo)購(gòu)主要通過支持和用戶的多輪交互，不斷的理解和明確用戶的意圖。并在此基礎(chǔ)上利用深度強(qiáng)化學(xué)習(xí)不斷的優(yōu)化導(dǎo)購(gòu)的交互過程。圖6展示了智能導(dǎo)購(gòu)的技術(shù)架構(gòu)圖。

圖6：智能導(dǎo)購(gòu)的架構(gòu)圖

這里兩個(gè)核心的問題：

a）在多輪交互中理解用戶的意圖。

b）根據(jù)用戶的意圖結(jié)果，優(yōu)化排序的結(jié)果和交互的過程。

下面主要介紹導(dǎo)購(gòu)意圖理解、以及深度增強(qiáng)學(xué)習(xí)的交互策略優(yōu)化。

2.2.1.1 智能導(dǎo)購(gòu)的意圖理解和意圖管理

智能導(dǎo)購(gòu)下的意圖理解主要是識(shí)別用戶想要購(gòu)買的商品以及商品對(duì)應(yīng)的屬性，相對(duì)于傳統(tǒng)的意圖理解，也帶來了幾個(gè)新的挑戰(zhàn)。

第一，用戶偏向于短句的表達(dá)。因此，識(shí)別用戶的意圖，要結(jié)合用戶的多輪會(huì)話和意圖的邊界。

第二，在多輪交互中用戶會(huì)不斷的添加或修改意圖的子意圖，需要維護(hù)一份當(dāng)前識(shí)別的意圖集合。

第三，商品意圖之間存在著互斥，相似，上下位等關(guān)系。不同的關(guān)系對(duì)應(yīng)的意圖管理也不同。

第四，屬性意圖存在著歸類和互斥的問題。

針對(duì)短語表達(dá)，我們通過品類管理和屬性管理維護(hù)了一個(gè)意圖堆，從而較好的解決了短語表示，意圖邊界和具體的意圖切換和修改邏輯。同時(shí)，針對(duì)較大的商品庫(kù)問題，我們采用知識(shí)圖譜結(jié)合語義索引的方式，使得商品的識(shí)別變得非常高效。下面我們分別介紹下品類管理和屬性管理。

基于知識(shí)圖譜和語義索引的品類管理

智能導(dǎo)購(gòu)場(chǎng)景下的品類管理分為品類識(shí)別，以及品類的關(guān)系計(jì)算。下圖是品類關(guān)系的架構(gòu)圖。

圖7：品類管理架構(gòu)圖

品類識(shí)別：

采用了基于知識(shí)圖譜的識(shí)別方案和基于語義索引及dssm的判別模型。

a) 基于商品知識(shí)圖譜的識(shí)別方案：

基于知識(shí)圖譜復(fù)雜的結(jié)構(gòu)化能力，做商品的類目識(shí)別。是我們商品識(shí)別的基礎(chǔ)。

b) 基于語義索引及dssm商品識(shí)別模型的方案：

知識(shí)圖譜的識(shí)別方案的優(yōu)勢(shì)是在于準(zhǔn)確率高，但是不能覆蓋所有的case。因此，我們提出了一種基于語義索引和dssm結(jié)合的商品識(shí)別方案兜底。

圖8：基于語義索引和dssm的商品識(shí)別方案

語義索引的構(gòu)造：

通常語義索引的構(gòu)造有基于本體的方式，基于LSI的方式。我們用了一種結(jié)合搜索點(diǎn)擊數(shù)據(jù)和詞向量的方式構(gòu)造的語義索引。主要包括下面幾步：

第一步：利用搜索點(diǎn)擊行為，提取分詞到類目的候選。

第二步：基于詞向量，計(jì)算分詞和候選類目的相似性，對(duì)索引重排序。

基于dssm的商品識(shí)別：

dssm是微軟提出的一種用于query和doc匹配的有監(jiān)督的深度語義匹配網(wǎng)絡(luò)，能夠較好的解決詞匯鴻溝的問題，捕捉句子的內(nèi)在語義。本文以dssm作為基礎(chǔ)，構(gòu)建了query和候選的類目的相似度計(jì)算模型。取得了較好的效果，模型的acc在測(cè)試集上有92%左右。

圖9：dssm模型的網(wǎng)絡(luò)結(jié)構(gòu)圖

樣本的構(gòu)造：訓(xùn)練的正樣本是通過搜索日志中的搜索query和點(diǎn)擊類目構(gòu)造的。負(fù)樣本則是通過利用query和點(diǎn)擊的類目作為種子，檢索出來一些相似的類目，將不在正樣本中的類目作為負(fù)樣本。正負(fù)樣本的比例1：1。

品類關(guān)系計(jì)算：

品類關(guān)系的計(jì)算主要用于智能導(dǎo)購(gòu)的意圖管理中，這里主要考慮的幾種關(guān)系是：上下位關(guān)系和相似關(guān)系。舉個(gè)例子，用戶的第一個(gè)意圖是要買衣服，當(dāng)后面的意圖說要買水杯的時(shí)候，之前衣服所帶有的屬性就不應(yīng)該被繼承給水杯。相反，如果這個(gè)時(shí)候用戶說的是要褲子，由于褲子是衣服的下位詞，則之前在衣服上的屬性就應(yīng)該被繼承下來。

上下位關(guān)系的計(jì)算2種方案：

a）采用基于知識(shí)圖譜的關(guān)系運(yùn)算。

b）通過用戶的搜索query的提取。

相似性計(jì)算的兩種方案：

a）基于相同的上位詞。比方說小米，華為的上位詞都是手機(jī)，則他們相似。

b）基于fast-text的品類詞的embedding的語義相似度。

基于知識(shí)圖譜和相似度計(jì)算的屬性管理

下圖是屬性管理的架構(gòu)圖：

圖10：屬性管理架構(gòu)圖

整體上屬性管理包括屬性識(shí)別和屬性關(guān)系計(jì)算兩個(gè)核心模塊，思路和品類管理較為相似。這里就不在詳細(xì)介紹了。

2.2.1.2深度強(qiáng)化學(xué)習(xí)的探索及嘗試

強(qiáng)化學(xué)習(xí)是agent從環(huán)境到行為的映射學(xué)習(xí)，目標(biāo)是獎(jiǎng)勵(lì)信號(hào)(強(qiáng)化信號(hào))函數(shù)值最大，由環(huán)境提供強(qiáng)化信號(hào)評(píng)價(jià)產(chǎn)生動(dòng)作的好壞。agent通過不斷的探索外部的環(huán)境，來得到一個(gè)最優(yōu)的決策策略，適合于序列決策問題。圖11是一個(gè)強(qiáng)化學(xué)習(xí)的model和環(huán)境交互的展示。

圖11：env-model的交互圖

深度強(qiáng)化學(xué)習(xí)是結(jié)合了深度學(xué)習(xí)的強(qiáng)化學(xué)習(xí)，主要利用深度學(xué)習(xí)強(qiáng)大的非線性表達(dá)能力，來表示agent面對(duì)的state和state上決策邏輯。

目前我們用DRL主要來優(yōu)化我們的交互策略。因此，我們的設(shè)定是，用戶是強(qiáng)化學(xué)習(xí)中的env，而機(jī)器是model。action是本輪是否出主動(dòng)反問的交互，還是直接出搜索結(jié)果。

狀態(tài)(state)的設(shè)計(jì)：

這里狀態(tài)的設(shè)計(jì)主要考慮，用戶的多輪意圖、用戶的人群劃分、以及每一輪交互的產(chǎn)品的信息作為當(dāng)前的機(jī)器感知到的狀態(tài)。

state= ( intent1, query1, price1, is_click,query_item_sim, …, power, user_inter, age)

其中intent1表明的是用戶當(dāng)前的意圖，query1表示的用戶的原始query。price1表示當(dāng)前展現(xiàn)給用戶的商品的均價(jià)，is_click表示本輪交互是否發(fā)生點(diǎn)擊，query_item_sim表示query和item的相似度。power表示是用戶的購(gòu)買力，user_inter表示用戶的興趣, age 表示用戶的年齡。

reward的設(shè)計(jì)：

由于最終衡量的是用戶的成交和點(diǎn)擊率和對(duì)話的輪數(shù)。因此reward的設(shè)計(jì)主要包括下面3個(gè)方面：

a) 用戶的點(diǎn)擊的reward設(shè)置成1

b) 成交設(shè)置成[1 + math.log(price + 1.0) ]

c) 其余的設(shè)置成0.1

DRL的方案的選型：

這里具體的方案，主要采用了 DQN， policy-gradient 和 A3C的三種方案。

2.2.2 智能服務(wù)：基于知識(shí)圖譜構(gòu)建與檢索模型的技術(shù)實(shí)踐

智能服務(wù)的特點(diǎn)：有領(lǐng)域知識(shí)的概念，且知識(shí)之間的關(guān)聯(lián)性高，并且對(duì)精準(zhǔn)度要求比較高。

基于問答型場(chǎng)景的特點(diǎn)，我們?cè)诩夹g(shù)選型上采用了知識(shí)圖譜構(gòu)建+檢索模型相結(jié)合的方式來進(jìn)行核心匹配模型的設(shè)計(jì)。

知識(shí)圖譜的構(gòu)建我們會(huì)從兩個(gè)角度來進(jìn)行抽象，一個(gè)是實(shí)體維度的挖掘，一個(gè)是短句維度進(jìn)行挖掘，通過在淘寶平臺(tái)上積累的大量屬于以及互聯(lián)網(wǎng)數(shù)據(jù)，通過主題模型的方式進(jìn)行挖掘、標(biāo)注與清洗，再通過預(yù)設(shè)定好的關(guān)系進(jìn)行實(shí)體之間關(guān)系的定義最終形成知識(shí)圖譜?；镜耐诰蚩蚣芰鞒倘缦拢?/p>

圖12：知識(shí)圖譜的實(shí)體和短語挖掘流程

挖掘構(gòu)建的知識(shí)圖譜示例如圖13：

圖13：具體的知識(shí)圖譜的示例

基于知識(shí)圖譜的匹配模式具備以下幾個(gè)優(yōu)點(diǎn)：

(1) 在對(duì)話結(jié)構(gòu)和流程的設(shè)計(jì)中支持實(shí)體間的上下文會(huì)話識(shí)別與推理

(2) 通常在一般型問答的準(zhǔn)確率相對(duì)比較高（當(dāng)然具備推理型場(chǎng)景的需要特殊的設(shè)計(jì)，會(huì)有些復(fù)雜）

同樣也有明顯的缺點(diǎn)：

(1) 模型構(gòu)建初期可能會(huì)存在數(shù)據(jù)的松散和覆蓋率問題，導(dǎo)致匹配的覆蓋率缺失；

(2) 對(duì)于知識(shí)圖譜增量維護(hù)相比傳統(tǒng)的QA Pair對(duì)知識(shí)的維護(hù)上的成本會(huì)更大一些；

因此我們?cè)诎⒗镄∶鄣膯柎鹦驮O(shè)計(jì)中，還是融入了傳統(tǒng)的基于檢索模型的對(duì)話匹配。

其在線基本流程分為：

(1) 提問預(yù)處理：分詞、指代消解、糾錯(cuò)等基本文本處理流程；

(2) 檢索召回：通過檢索的方式在候選數(shù)據(jù)中召回可能的匹配候選數(shù)據(jù)；

(3) 計(jì)算：通過Query結(jié)合上下文模型與候選數(shù)據(jù)進(jìn)行計(jì)算，通過我們采用文本之間的距離計(jì)算方式(余弦相似度、編輯距離)以及分類模型相結(jié)合的方式進(jìn)行計(jì)算；

(4) 最終根據(jù)返回的候選集打分閾值進(jìn)行最終的產(chǎn)品流程設(shè)計(jì)；

離線流程分為：

(1) 知識(shí)數(shù)據(jù)的索引化；

(2) 離線文本模型的構(gòu)建：例如Term-Weight計(jì)算等；

檢索模型整體流程如圖14：

圖14：檢索模型的流程圖

2.2.3 智能聊天：基于檢索模型和深度學(xué)習(xí)模型相結(jié)合的聊天應(yīng)用

智能聊天的特點(diǎn)：非面向目標(biāo)，語義意圖不明確，通常期待的是語義相關(guān)性和漸進(jìn)性，對(duì)準(zhǔn)確率要求相對(duì)較低。

面向open domain的聊天機(jī)器人目前無論在學(xué)術(shù)界還是在工業(yè)界都是一大難題，通常在目前這個(gè)階段我們有兩種方式來做對(duì)話設(shè)計(jì)：

一種是學(xué)術(shù)界非?；鸨腄eep Learning生成模型方式，通過Encoder-Decoder模型通過LSTM的方式進(jìn)行Sequence to Sequence生成，如圖15：

圖15：seq2seq網(wǎng)絡(luò)結(jié)構(gòu)圖

GenerationModel(生成模型)：

優(yōu)點(diǎn)：通過深層語義方式進(jìn)行答案生成，答案不受語料庫(kù)規(guī)模限制

缺點(diǎn)：模型的可解釋性不強(qiáng)，且難以保證一致性和合理性回答

另外一種方式就是通過傳統(tǒng)的檢索模型的方式來構(gòu)建語聊的問答匹配。

RetrievalModel(檢索模型)：

優(yōu)點(diǎn)：答案在預(yù)設(shè)的語料庫(kù)中，可控，匹配模型相對(duì)簡(jiǎn)單，可解釋性強(qiáng)

缺點(diǎn)：在一定程度上缺乏一些語義性，且有固定語料庫(kù)的局限性

因此在阿里小蜜的聊天引擎中，我們結(jié)合了兩者各自的優(yōu)勢(shì)，將兩個(gè)模型進(jìn)行了融合形成了阿里小蜜聊天引擎的核心。先通過傳統(tǒng)的檢索模型檢索出候選集數(shù)據(jù)，然后通過Seq2Seq Model對(duì)候選集進(jìn)行Rerank，重排序后超過制定的閾值就進(jìn)行輸出，不到閾值就通過Seq2Seq Model進(jìn)行答案生成，整體流程圖16：

圖16：小蜜的閑聊模塊

03 未來技術(shù)的發(fā)展與展望

目前的人工智能領(lǐng)域任然處在弱人工智能階段，特別是從感知到認(rèn)知領(lǐng)域需要提升的空間還非常大。智能人機(jī)交互在面向目標(biāo)的領(lǐng)域已經(jīng)可以與實(shí)際工業(yè)場(chǎng)景緊密結(jié)合并產(chǎn)生巨大價(jià)值，隨著人工智能技術(shù)的不斷發(fā)展，未來智能人機(jī)交互領(lǐng)域的發(fā)展還將會(huì)有不斷的提升，對(duì)于未來技術(shù)的發(fā)展我們值得期待和展望：

1、數(shù)據(jù)的不斷積累，以及領(lǐng)域知識(shí)圖譜的不斷完善與構(gòu)建將不斷助推智能人機(jī)交互的不斷提升；

2、面向任務(wù)的垂直細(xì)分領(lǐng)域機(jī)器人的構(gòu)建將是之后機(jī)器人不斷爆發(fā)的增長(zhǎng)點(diǎn)，open domain的互動(dòng)機(jī)器人在未來一段時(shí)間還需要不斷提升與摸索；

3、隨著分布式計(jì)算能力的不斷提升，深度學(xué)習(xí)在席卷了圖像、語音等領(lǐng)域后，在NLP(自然語言處理)領(lǐng)域?qū)?huì)繼續(xù)發(fā)展，在對(duì)話、QA領(lǐng)域的學(xué)術(shù)研究將會(huì)持續(xù)活躍；

在未來隨著學(xué)術(shù)界和工業(yè)界的不斷結(jié)合與積累，期待人工智能電影中的場(chǎng)景早日實(shí)現(xiàn)，人人都能擁有自己的智能“小蜜”。

參考文獻(xiàn)：

[1] : Huang P S, He X, Gao J, et al. Learningdeep structured semantic models for web search using clickthrough data[C]// ACMInternational Conference on Conference on Information & KnowledgeManagement. ACM, 2013:2333-2338.

[2] Minghui Qiu and Feng-Lin Li. MeChat: A Sequence to Sequence andRerank based Chatbot Engine. ACL 2017

[3] Dzmitry Bahdanau, Kyunghyun Cho, and YoshuaBen- gio. 2015. Neural machine translation by jointly learning to align andtranslate. In Proceedings of ICLR 2015

[4]Matthew Henderson. 2015. Machine learning fordialog state tracking: A review. In Proceedings of The First InternationalWorkshop on Machine Learning in Spoken Language Processing.

[5] Mnih V, Badia A P, Mirza M, et al.Asynchronous Methods for Deep Reinforcement Learning[J]. 2016

[6] Li J, Monroe W, Ritter A, et al. DeepReinforcement Learning for Dialogue Generation[J]. 2016.

[7] Sordoni A, Bengio Y, Nie J Y. Learning concept embeddings for queryexpansion by quantum entropy minimization[C]// Twenty-Eighth AAAI Conference onArtificial Intelligence. AAAI Press, 2014:1586-1592.